Student Engagement with GenAI's Tutoring Feedback: A Mixed Methods Study
University of Siegen(锡根大学)
针对学生参与编程辅导反馈研究有限的问题,该研究开发含AI生成多类型反馈的学习环境,结合出声思考与眼动追踪方法分析20名本科生的反馈参与情况,揭示学生想法主题及反馈与行动的关联,为辅导反馈设计提供启示。
2025-09-26 cs.CY cs.HC
Deep Learning versus Traditional Classifiers on Vietnamese Students' Feedback Corpus
学生反馈是收集学生意见、提高培训活动质量的重要来源。对学生反馈数据实施情感分析,我们可以确定表达机构中所有问题的情感极性,因为将应用必要的改变来提高教学质量。本研究以一所大学的越南学生反馈语料库为研究对象,采用机器学习和自然语言处理技术(朴素贝叶斯、最大熵、长短期记忆、双向长短期记忆)对学生的反馈进行研究。最后根据不同的评价标准对模型进行了比较和评价,以找出最有效的模型。实验结果表明,双向长短期记忆算法优于其他三种算法的F1分数测量92.0%的情感分类任务和89.6%的主题分类任务。此外,我们开发了一个情感分析应用程序分析学生的反馈。该应用程序将帮助该机构认识到学生对一个问题的意见,并确定仍然存在的缺点。通过使用该应用程序,机构可以提出适当的方法,以提高未来培训活动的质量。
2019-11-17 cs.CL cs.CY cs.LG
Personalized and Constructive Feedback for Computer Science Students Using the Large Language Model (LLM)
University of Hertfordshire(赫特福德大学);Information Technology University(信息技术大学);University of Gujrat(吉拉特大学)
本文提出利用大型语言模型(LLM-MATE)结合预定义评分标准处理学生评估,生成个性化反馈,并以软件架构模块为案例验证其能提升学习效果并降低大规模评估开销。
2025-10-13 cs.CY
Teaching Python programming with automatic assessment and feedback provision
我们描述了一种自动反馈的方法,为学生学习编程和计算方法的Python。我们从2009年开始实施、使用和改进这个系统,以满足不断增长的学生人数,并总结了使用它的设计和经验。核心思想是使用一个单元测试框架:教师创建一组单元测试,通过运行这些测试来测试学生代码。通过我们的实施,学生通常会提交作业进行评估,并在提交后几分钟内通过电子邮件收到反馈。测试的选择和向学生报告的选择是为了优化学生的教育价值。该系统非常显着地减少了工作人员的时间来确定学生的解决方案是否正确,并转移计算实验室的学生接触时间的重点从评估正确性提供指导。自动反馈的自定进度性质支持以学生为中心的学习方法。学生可以重复提交他们的工作,并迭代地改进他们的解决方案,并享受使用该系统。我们包括使用它在一个班的425名学生的系统和数据的评估。
2015-09-11 cs.CY
Impact of combining human and analytics feedback on students' engagement with, and performance in, reflective writing tasks
反思性写作是全球许多高等教育课程的一部分。它通常被认为是一项具有挑战性的任务,因为它需要自我调节的学习技能,以适当地计划,及时参与和深刻反思学习经验。尽管写作分析的进步和人类反馈的普遍性,旨在支持学生的反思,很少有人知道如何整合来自人类和分析的反馈,以提高学生的学习参与度和反思性写作任务的表现。本研究提出了一个个性化的行为反馈干预的基础上,学生的写作参与分析利用时间序列分析的数字痕迹,从一个无处不在的在线字处理平台。在一个为期一个学期的实验研究涉及81名研究生,它对学习的参与和性能的影响进行了研究。结果表明,干预组在接受综合反馈后,与只接受人类反馈的对照组相比,在统计学上显著地更多地参与了他们的反思性写作任务。进一步的分析表明,干预队列反映更经常在每周的水平,每周反思的规律性导致更好的成绩,和低自我调节学习技能的学生的影响更高。这项研究强调了实施组合反馈方法的强大优势,其中分析和人工反馈的优势被综合起来,以提高学生的参与度和表现。进一步的研究应探讨观察到的效果的长期可持续性及其在其他情况下的有效性。
2022-11-15 cs.CY
CS-Guide: Leveraging LLMs and Student Reflections to Provide Frequent, Scalable Academic Monitoring Feedback to Computer Science Students
Florida State University(佛罗里达州立大学)
CS-Guide利用LLMs和学生反思提供频繁、可扩展的学术反馈,通过学习分析和定制干预提升计算机科学学生支持
2025-12-22 cs.CY
Auto-grader Feedback Utilization and Its Impacts: An Observational Study Across Five Community Colleges
本研究通过分析五所社区学院Python课程中学生的自动评分器交互数据,发现更频繁查看反馈的学生作业得分更高,且查看反馈后的提交得分优于忽略反馈后的提交,从而证明了自动评分器反馈的有效性并鼓励其更广泛使用。
2025-07-17 cs.CY
Students' Perceptions and Preferences of Generative Artificial Intelligence Feedback for Programming
North Carolina State University(北卡罗来纳州立大学);Georgia Institute of Technology(佐治亚理工学院)
本研究探讨ChatGPT为CS1课程Java作业提供自动化反馈的可行性,通过调查发现学生认可其形成性价值,偏好含代码的针对性纠错反馈,为优化AI教育反馈提供了方向。
2023-12-17 cs.AI cs.CY cs.HC
Effects of Human vs. Automatic Feedback on Students' Understanding of AI Concepts and Programming Style
自动评分工具的使用在大型本科编程课程中几乎无处不在,最近的工作集中在提高自动生成反馈的质量上。然而,在接受计算机生成的反馈和人类书面反馈时,直接比较学生成绩的数据相对缺乏。本文通过将一个90名学生的班级分成两个反馈组,并分析两组学生的表现差异来解决这一差距。这门课是人工智能的入门课,有硬件编程作业。一组学生收到了关于他们编程作业的详细的计算机生成的反馈,描述了算法逻辑的哪些部分缺失;另一组学生还收到了人类撰写的反馈,描述了他们的程序语法如何与他们的逻辑问题相关,以及改进他们代码的定性(风格)建议。测验和考试问题的结果表明,人类的反馈有助于学生获得更好的概念理解,但分析发现,小组在最终项目上的合作能力没有差异。课程成绩分布显示,接受人类书面反馈的学生总体表现更好;这种效果在每组的中间两个四分位数中最为明显。这些结果表明,反馈的语法逻辑关系可能是一个主要的机制,人类的反馈提高学生的成绩。
2020-11-20 cs.CY cs.HC
Improving Feedback from Automated Reviews of Student Spreadsheets
针对电子表格作业评估工具稀缺的问题,开发了智能辅导系统(ITS),通过多维度自动分析学生Excel提交并提供分级个性化反馈,显著提升了正确提交率且反馈获学生认可。
2023-10-14 cs.CY
Pro-f-quiz: increasing the PROductivity of Feedback through activating QUIZzes
Pro-f-quiz 通过在线测验向大规模学生群体传递反馈并促使其反思,实验显示 85% 学生认可、60% 反思更深,且参与者成绩显著更高。
2023-05-25 cs.CY
A Multicriteria Evaluation for Data-Driven Programming Feedback Systems: Accuracy, Effectiveness, Fallibility, and Students' Response
数据驱动的编程反馈系统可以帮助新手在没有人类导师的情况下进行编程。先前的评估表明,这些系统在测试分数或任务完成效率方面提高了学习。然而,在这些评估中忽略了可能影响学习或揭示对此类系统未来改进重要的见解的关键方面。这些方面包括当前最先进技术的固有易错性,学生对正确/不正确反馈的编程行为,以及有效/无效的系统组件。因此,关于这种系统的大量知识还有待发现。在本文中,我们采用了多标准评估与5个标准的数据驱动的反馈系统集成在一个基于块的新手编程环境。评估中的每一个标准都揭示了系统的一个独特的关键方面:1)反馈系统有多准确; 2)它如何在整个编程任务中指导学生; 3)它如何帮助学生完成任务; 4)当它出错时会发生什么; 5)学生通常如何对系统做出反应。我们的评估结果表明,该系统是有帮助的学生,由于其有效的设计和反馈表示,但易错。然而,由于高度依赖和缺乏自我评价,新手可能会受到这种易犯错误的负面影响。负面影响包括增加工作时间、实施或提交不正确/部分正确的解决方案。评估结果加强了多标准系统评估的必要性,同时揭示了重要的见解,有助于确保正确使用数据驱动的反馈系统,设计易出错性缓解步骤,并推动未来的改进研究。
2022-07-27 cs.CY
Student Evaluation of Repeated AI Feedback Across a Semester of Writing
Tallinn University(塔林大学);Estonian Business School(爱沙尼亚商学院);University of Tartu(塔尔图大学);Tallinn University of Technology(塔林理工大学)
研究爱沙尼亚283名本科学生一学期内2988次写作反馈评估实例,学生用统一提示从自选AI工具获反馈,分析发现多数反馈有用,约十分之一无用,还分析了反思深度等,为AI反馈整合提供课堂证据,强调学生应正确使用。
2026-07-20 cs.CY cs.HC
Mining patterns in syntax trees to automate code reviews of student solutions for programming exercises
本文提出机器学习方法ECHO,通过挖掘抽象语法树模式自动复用教育代码审查反馈,实验证明其能准确快速预测反馈注释,显著减少手动反馈工作量。
2024-04-26 cs.CY cs.LG cs.SE
Reducing Procrastination on Programming Assignments via Optional Early Feedback
University of Toronto(多伦多大学);University of Waterloo(滑铁卢大学)
本文提出不计分但提供提前自动化反馈的编程作业干预,实验与访谈表明其能促使学生提早开始,实际使用者成绩更高,并在心理健康和软技能方面受益。
2025-10-16 cs.CY
How Students Use AI Feedback Matters: Experimental Evidence on Physics Achievement and Autonomy
通过两项共387名高中生参与的随机对照试验,研究表明GAI个性化反馈的效果取决于强制或自主按需使用模式,并对不同成就学生的物理成绩与自主性产生差异化影响。
2025-05-15 cs.CY
Mudslide: A Spatially Anchored Census of Student Confusion for Online Lecture Videos
教育工作者已经开发出一种有效的技术,在面对面的讲座后获得反馈,称为“泥泞卡”。学生们有时间反思,并在索引卡上写下“最模糊”(最不清晰)的点,在离开课堂时上交。这种分配期末反思任务以产生明确的学生反馈的做法非常适合适应在线视频讲座中支持反馈的挑战。我们描述了Mudslide的设计和评估,这是一个原型系统,它将泥卡的实践转化为在线讲座视频的领域。基于对学生和教师的一项实验室研究,我们发现,空间语境化学生对特定演讲幻灯片的模糊点反馈对学生和教师都有利。我们还反映了进一步的机会,以加强这种反馈方法的基础上,教师和学生的经验与我们的原型。
2015-07-06 cs.CY cs.HC
Leveraging Large Language Models for Actionable Course Evaluation Student Feedback to Lecturers
Aalborg University(奥尔堡大学)
本文利用开源生成式 AI 汇总 75 门计算机科学课程的 742 份学生评价,为教师生成真实、可执行的课程反馈摘要,验证了该方法支持教学改进的可行性与成本效益。
2024-07-02 cs.CL cs.CY
Effective Feedback for Introductory CS Theory: A JFLAP Extension and Student Persistence
计算理论通过分析抽象的计算模型来严谨地研究各种问题的计算难度。介绍计算理论可以是具有挑战性的本科生,我们的研究的主要目标是帮助学生学习这些计算模型。与这些模型交互的最常见的教学工具是Java形式语言和自动机包(JFLAP)。我们开发了一个JFLAP服务器扩展,它接受学生提交的作业,评估提交的作业是否正确,并在提交不正确时提供一个见证字符串。我们的扩展目前提供证人反馈的确定性有限自动机,非确定性有限自动机,正则表达式,上下文无关文法,和下推自动机。2019年秋季,我们对本科必修课程计算机科学理论导论的两个部分(控制和研究)进行了初步调查。研究部分使用我们的扩展解决了五个有针对性的家庭作业问题,控制部分使用传统方法解决并提交了这些问题。我们的研究结果表明,在这五个问题上,研究部分的平均表现优于控制部分。此外,研究部分坚持提交尝试,直到正确,从这个发现,我们的初步结论是,最小的(不详细或基于等级)证人反馈有助于学生真正学习的概念。我们描述的结果,支持这一结论,以及相关的假设,证人的反馈和无限数量的意见书,部分信贷是不必要的和无效的。
2020-12-02 cs.CY
Intelligent Tutor: Leveraging ChatGPT and Microsoft Copilot Studio to Deliver a Generative AI Student Support and Feedback System within Teams
Chinese Culture University(中国文化大学);Tatung University(大同大学)
本研究在Microsoft Teams上集成ChatGPT API、GPT-4和Copilot Studio构建智能辅导系统,动态调整教育内容,提供即时反馈,提升学生动机与参与度,并为教师提供学习过程洞察。
2024-05-15 cs.AI cs.CL cs.CY
AI Teaches the Art of Elegant Coding: Timely, Fair, and Helpful Style Feedback in a Global Course
本文介绍在 Code in Place 课程中部署基于 LLM 的实时风格反馈工具 RTSF,随机对照试验表明实时反馈使学生参与度提升五倍,超 79% 的编辑采纳了反馈,并探讨了 LLM 工具的局限性与防范偏差等安全性问题。
2024-03-22 cs.CY
Differentiating Student Feedbacks for Knowledge Tracing
East China Normal University(华东师范大学);Microsoft China(微软中国);Tencent China(腾讯中国)
针对当前知识追踪(KT)模型忽视历史回答不平衡区分度的缺陷,提出基于回答区分度重新加权贡献的框架及自适应预测分数融合技术,提升了三种主流KT方法在三个数据集上的性能。
2025-02-13 cs.AI cs.CY cs.LG
Computing with Codio at Coventry University: Online virtual Linux boxes and automated formative feedback
我们描述我们的经验,使用Codio在考文垂大学在我们的本科编程课程。Codio为学生提供在线虚拟Linux盒子,并允许员工为这些盒子配备以markdown编写的指南和提供自动反馈的补充任务。Codio的使用与学生表现和满意度的稳步增长以及学生参与度和表现的更多数据相吻合。
2018-12-10 cs.CY
From Motion Signals to Insights: A Unified Framework for Student Behavior Analysis and Feedback in Physical Education Classes
Shanghai Jiao Tong University(上海交通大学)
提出一个基于运动信号和大型语言模型的端到端统一框架,用于体育课堂学生行为分析,自动生成教学洞察和改进建议。
2026-06-03 cs.AI cs.CY
Zero Shot Learning for Code Education: Rubric Sampling with Deep Learning Inference
Stanford University(斯坦福大学)
在现代计算机科学教育中,大规模开放式在线课程(MOOC)记录了数千小时的数据,这些数据是关于学生如何解决编码挑战的。这些平台拥有如此丰富的数据,引起了机器学习社区的兴趣,许多新算法试图自主提供反馈,以帮助未来的学生学习。但是,那些最初的十万学生呢?在大多数教育环境(即教室)中,作业没有足够的历史数据用于监督学习。在本文中,我们介绍了一个人在回路“量规采样”的方法来解决“zero shot”的反馈挑战。我们能够为第一批从事入门编程作业的学生提供自主反馈,其准确性大大优于数据饥渴算法,并接近人类水平的保真度。题目抽样需要最少的教师努力,可以将反馈与学生解决方案的特定部分联系起来,并可以用教师的语言表达学生的误解。深度学习推理使题目抽样能够随着获取更多作业特定的学生数据而进一步改进。我们展示了我们的结果在一个新的数据集从Code.org,世界上最大的编程教育平台。
2018-12-17 cs.CY cs.LG stat.ML
CAFÉ, an automated feedback tool to approach Formal Methods
Université de Liège(列日大学)
介绍用于向计算机科学学生引入形式化方法的学习平台CAFÉ,通过促进基于图形循环不变式的编程实践培养学生结构思维,能提供自动反馈及个性化反馈。
2026-07-07 cs.CY cs.SE
Simulating Students or Sycophantic Problem Solving? On Misconception Faithfulness of LLM Simulators
ETH Zürich(苏黎世联邦理工学院);ETH AI Center(ETH人工智能中心);University of Central Florida(中央佛罗里达大学)
本文提出评估LLM模拟器误解忠实性的框架,发现现有模型在反馈下倾向于修正答案而非维持误解,提出Selective Flip Score指标并改进训练方法以提升误解忠实性。
2026-05-12 cs.AI cs.CL cs.CY
iLLuMinaTE: An LLM-XAI Framework Leveraging Social Science Explanation Theories Towards Actionable Student Performance Feedback
EPFL(洛桑联邦理工学院);Institute for Public Policy Research(公共政策研究所);University College London(伦敦大学学院)
提出iLLuMinaTE框架,利用社会科学解释理论生成可操作的学生反馈,经多模型多方法评估,89.52%用户偏好,具泛化潜力。
2025-01-24 cs.CY cs.HC cs.LG
Generative Grading: Near Human-level Accuracy for Automated Feedback on Richly Structured Problems
Stanford University(斯坦福大学)
大规模获得高质量教育的机会受到限制,因为在计算机编程,图形和简短回答问题等结构化领域的开放式作业中难以提供学生反馈。这个问题已经被证明是非常困难的:对于人类来说,它需要大量的手工工作,而对于计算机来说,直到最近,实现任何接近人类水平的精度都是无法实现的。在本文中,我们提出了生成评分:一种新的计算方法,提供反馈的规模,能够准确地分级学生的工作,并提供细致入微的,可解释的反馈。我们的方法使用生成描述学生的认知,写概率程序,合成数以百万计的标记的例子解决方案的问题,然后我们学习推断反馈,真正的学生解决方案的基础上,这种认知模型。我们将我们的方法应用于三种设置。在基于块的编码中,我们在以前的最佳反馈结果基础上实现了50%的改进,实现了超人的准确性。在另外两个广泛不同的领域-图形任务和简短的文本答案-我们实现了比以前的技术水平分别约4倍和1.5倍的重大改进,接近人类的准确性。在一个真实的教室里,我们进行了一个实验,我们使用我们的系统来增强人类评分员,在将评分时间减半的同时,提高了一倍的评分准确性。
2021-03-23 cs.CY cs.LG stat.ML
Large Language Model-based System to Provide Immediate Feedback to Students in Flipped Classroom Preparation Learning
Toyohashi University of Technology(丰桥技术科学大学);Waseda University(早稻田大学)
针对翻转课堂预习中学生疑问难获即时解答、学习动机难保障的问题,基于ChatGPT API开发带上下文对齐和教师解答补充指导功能的即时反馈系统,提升预习支持效果。
2023-07-21 cs.AI cs.CY cs.HC
Feedback and Engagement on an Introductory Programming Module
我们对第一年本科编程模块的参与度和成就进行了研究,该模块使用了包含自动生成反馈的任务的在线学习环境。学生还可以从传统实验室获得人类反馈。我们收集了关于参与和成就的定量数据,使我们能够将队列分为6组。然后,在模块结束后,我们对学生进行了采访,以产生关于反馈是什么、反馈有多有用、反馈的用途以及反馈如何影响参与度的定性数据。一个普遍的发现是,人类和自动反馈是不同的,但互补的。然而,不同群体有不同的反馈需求。我们的发现意味着:(1)混合的人工自动反馈方法可以提高参与度;(2)这种方法需要根据学生类型进行区分。我们给的影响,设计的反馈编程模块。
2022-01-04 cs.CY
OpineBot: Class Feedback Reimagined Using a Conversational LLM
针对传统课堂反馈系统静态、学生参与度低的问题,研究提出对话式LLM系统OpineBot,经20名学生用户研究验证其更受偏好,能提升参与度并生成更深度反馈,为课堂反馈革新提供早期支撑。
2024-01-28 cs.CY cs.HC
Using AI-Generated Feedback to Improve Critical Thinking and Writing Proficiency
Jiangxi Normal University(江西师范大学);University of Georgia(佐治亚大学)
本研究开发了WISE Agent智能体,通过对260名六年级学生的三个月干预,证实其作为认知支架可促进不同水平学生批判性思维的差异化发展,为AI辅助培养批判性思维提供了可行路径。
2026-08-07 cs.CY
SCALEFeedback: A Large-Scale Dataset of Synthetic Computer Science Assignments for LLM-generated Educational Feedback Research
Monash University(莫纳什大学);Tsinghua University(清华大学)
提出SCALEFeedback数据集,包含10,000份合成学生作业,覆盖59门大学计算机科学课程,用于开发基于LLM的可泛化自动教育反馈方法。
2026-10-27 cs.CY
Automated Formative Feedback for Short-form Writing: An LLM-Driven Approach and Adoption Analysis
本文提出一种基于大语言模型的短文写作自动化形成性反馈系统,通过分析采用情况发现初期参与度低,但有效利用该系统能提升学生报告质量。
2025-09-25 cs.AI cs.CY
Generative AI Feedback, English Writing and Teacher Rubrics: A Multiple-Case Study of CyberScholar
Zhetysu University named after I. Zhansugurov(赞苏古罗夫扎特尤州大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Universidade Federal de Sergipe(塞尔希培联邦大学)
本研究探讨了生成式AI工具CyberScholar在支持K-12学生跨学科写作中的潜力,通过整合教师提供的评分标准、材料和范例,利用检索增强生成(RAG)技术提供基于评分标准的形成性反馈和评分。研究发现学生重视即时的评分标准反馈,并在修改过程中注意到写作能力的提升,但同时也指出了自动评分系统的一致性和与作业要求的匹配问题。
2026-05-16 cs.CY
Automatic Assessment of the Design Quality of Student Python and Java Programs
程序是计算机和人之间的一种通信方式,因此当学生接受编写程序的训练时,他们需要学会编写设计良好、可读的代码,而不是简单地正确运行的代码。教授提高可读性的好的设计实践的困难在于评估学生程序的劳动强度。通常评估设计质量涉及仔细阅读学生程序,以便提供个性化的反馈,这对教师来说自然是耗时的。我们提出了一个基于规则的系统,评估学生课程的设计质量,并提供个性化的,准确的反馈,如何提高他们的工作。为了研究其有效性,我们通过在线部署将该系统提供给学生,允许学生在提交作业之前接收反馈并进行修改。学生们从该系统中受益,与之前2到3年的学生提交相比,4个不同的作业(2个Python和2个Java)的设计质量缺陷率平均下降了47.84%。
2022-11-05 cs.CY cs.SE
Smart tutor to provide feedback in programming courses
本文提出一种基于AI的智能导师,用于在编程课程中回答学生问题并提供反馈,经URJC学生整学期测试,能提供准确答案和示例,且易于使用,有望推广至其他课程。
2023-10-12 cs.AI cs.CY
A Comparative Study of Student Perspectives on Technical Writing Feedback Quality: Evaluating LLMs, SLMs, and Humans in Computer Science Topics
McMaster University(麦斯特大学);Department of Computer Science, University of Toronto(多伦多大学计算机科学系);Research Institute for the Study of University Pedagogy, University of Toronto Mississauga(多伦多大学密西根分校大学教学研究学院);Department of Mathematical and Computational Sciences, University of Toronto Mississauga(多伦多大学密西根分校数学与计算科学系)
本研究比较了本地部署的小语言模型(SLM)、商业大语言模型(LLM)和人类导师在计算机科学课程中提供写作反馈的质量,发现SLM在可读性和可操作性上获得学生更高评价,而人类反馈在专业写作任务中更受青睐。
2026-06-27 cs.AI cs.CY cs.HC
Consistently Good vs. Occasionally Great: A Rubric for Open-Ended Feedback Quality from Humans and Machines
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文针对入门编程开放式简答题反馈制定五项标准评分标准,对比前沿大语言模型OpenAI o1与9名助教的反馈,发现LLM平均表现优于助教但存在自我偏好偏差,为教育场景部署LLM反馈提供参考。
2026-08-25 cs.CY
Leveraging Peer Feedback to Improve Visualization Education
同行评议是一种广泛使用的教学反馈机制,以吸引学生,这已被证明可以提高教育成果。然而,我们发现有限的讨论和经验测量可视化课程的同行评议。除了参与之外,同行评审还提供直接和多样化的反馈,并通过对他人工作的批判性评价来加强最近学到的课程概念。在本文中,我们讨论了建设和应用同行评议的计算机科学可视化过程中,包括:项目,重用代码和可视化的反馈引导,持续改进的过程和同行评议的量规,以加强关键课程的概念。为了衡量这种方法的有效性,我们评估学生的项目,同行评议文本,并从3个学期的混合本科和研究生课程的课后问卷。结果表明,课程的概念与同行评审--82%的报告学习更多,因为同行评审,和75%的学生建议继续it. Finally,我们提供了一个路线图适应同行评审其他可视化课程,以产生更多的高度参与的学生。
2020-06-01 cs.CY cs.HC
The Missing Evaluation Axis: What 10,000 Student Submissions Reveal About AI Tutor Effectiveness
University of California, Berkeley, USA(加州大学伯克利分校);North Carolina State University, USA(北卡罗来纳州立大学);University of Pittsburgh, USA(匹兹堡大学);Aalto University, Finland(阿尔托大学)
研究通过分析10,235份学生代码提交,探讨AI导师的反馈行为影响,发现基于学生互动的数据能更全面评估AI导师效果。
2026-05-07 cs.AI cs.CY cs.HC
An Explainable AI Assistant for Introductory Programming Education: Improving Feedback Reliability with Instructor-AI Collaboration
North Carolina State University(北卡罗来纳州立大学);University of California, Berkeley(加州大学伯克利分校)
提出一种可解释AI驱动的课堂助手,通过分析学生代码、映射逻辑错误到教师识别的误解并提供教师撰写的反馈,提高入门编程课程中反馈的可靠性和可解释性。
2026-06-12 cs.AI cs.CY cs.ET
Enhancing Student Feedback Using Predictive Models in Visual Literacy Courses
本研究利用朴素贝叶斯模型分析五年视觉素养课程同行评审数据,发现名词和谎言因子为关键特征,相比Beasley方法提供更具体的预测框架,经保留法和k折交叉验证,能有效预测并改善课程反馈。
2024-05-23 cs.CY cs.MM
TAMIGO: Empowering Teaching Assistants using LLM-assisted viva and code assessment in an Advanced Computing Class
本文提出TAMIGO系统,利用LLM辅助助教进行口试与代码评估,发现其在生成口试问题时非常有效,反馈全面且具建设性,但存在幻觉问题且与评分标准对齐仍有改进空间。
2024-07-23 cs.CY cs.HC
The Responsible Development of Automated Student Feedback with Generative AI
UNESCO Centre for Problem Based Learning at Aalborg University(奥尔堡大学问题导向学习中心);Department of Computer Science, Aalborg University(奥尔堡大学计算机科学系);Technocritical Research on AI, Learning & Society Lab (trailsLAB)(人工智能、学习与社会实验室)
本文探讨了利用生成式AI和LLMs开发自动化学生反馈的技术潜力与伦理挑战,强调需确保反馈的包容性、公平性,并依赖人类专家的持续投入与模型优化以实现负责任的教育应用。
2025-02-18 cs.AI cs.CL cs.CY
Designing a Feedback-Driven Decision Support System for Dynamic Student Intervention
WeAreGenius Research Institute(WeAreGenius研究机构);Qassim University(卡萨姆大学)
提出一种基于LightGBM和闭环架构的反馈驱动决策支持系统,通过增量重训练和SHAP集成提升学业干预预测的准确性与可解释性,实现模型的持续优化与实际部署。
2025-08-12 cs.AI cs.CY
Understanding Student Interaction with AI-Powered Next-Step Hints: Strategies and Challenges
JetBrains Research(JetBrains研究)
本研究通过分析34名学生的Kotlin编程交互日志和访谈,识别出16种与AI下一步提示交互的场景及应对无帮助提示的策略,为改进提示设计提供依据。
2025-11-09 cs.AI cs.CY cs.SE
Exploring the Potential of Large Language Models to Generate Formative Programming Feedback
本研究探索大型语言模型(如ChatGPT)在生成形成性编程反馈方面的潜力,发现其表现尚可但可能包含误导信息,教育者需提供使用指导。
2023-08-31 cs.AI cs.CY cs.SE
Open Source Language Models Can Provide Feedback: Evaluating LLMs' Ability to Help Students Using GPT-4-As-A-Judge
Aalto University(阿尔托大学);University of Jyväskylä(于韦斯屈莱大学);The University of Auckland(奥克兰大学)
针对教育中开源 LLM 反馈质量不明的问题,本文以 GPT-4 作为自动评判者并结合人类专家对比,评估多个开源模型在编程入门课程反馈上的表现,发现部分模型可媲美 ChatGPT。
2024-05-08 cs.AI cs.CL cs.CY
Efficient Feedback and Partial Credit Grading for Proof Blocks Problems
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出一种基于最小顶点覆盖归约的高效编辑距离算法,用于 Proof Blocks 问题的部分评分与反馈,显著优于穷举基线,支持课堂大规模部署。
2023-05-08 cs.AI cs.CY cs.DM
Identifying Student Profiles Within Online Judge Systems Using Explainable Artificial Intelligence
University of Alicante(阿利坎特大学)
本研究利用多实例学习与可解释人工智能分析在线评测系统中的学生行为数据,以预测作业通过与否,并识别易失败学生群体,为师生提供可理解的反馈。
2024-01-29 cs.AI cs.CY
YAPS -- Your Open Examination System for Activating and emPowering Students
有许多电子评估系统专门针对不同许可证模式下的特定领域。成本、可扩展性和可维护性是机构的相关问题。易用性和纳入课程是教育工作者的主要关注点。对于学生来说,用户体验和快速透明的反馈以及“更好”的测试是最重要的。许多考试仍然侧重于测试记忆的知识,而不是分别通过以能力为导向的学习支持和考试来提高和测试技能。我们讨论了设计决策,并提出了由此产生的架构YAPS -您的开放式评估系统授权学生。YAPS已被用于物流,计算机工程和考试算法的各种讲座,但也可以通过在学习期间的快速反馈来增强学生的能力。我们报告的结果,在一个基本的讲座计算机科学的机械工程师。
2021-04-27 cs.CY cs.OH
Writing With Machines and Peers: Designing for Critical Engagement with Generative AI
University of Illinois Urban-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本研究提出一种整合AI与同伴反馈的教学设计,通过八周的写作活动,探讨学生如何批判性地使用生成式AI并建立与AI和人类的协作关系。
2025-11-19 cs.AI cs.CY cs.ET